利用图引导的生成对抗模仿学习，在专家驾驶轨迹数据上进行驾驶异常检测

《Expert Systems with Applications》：Driving anomaly detection with graph-guided generative adversarial imitation learning on the expert traffic trajectories

　　

岳松|瑞福|孙沁宇|黄涛|张海伦|郭英石

摘要

驾驶异常检测是驾驶安全分析领域中的一个关键挑战。传统的检测流程仅能覆盖有限的异常行为范围，且当交通环境发生变化时，它们学习到的异常边界可能会变得不可靠。在本研究中，驾驶异常被定义为在相似交通条件下与规范行为或专家行为模式的偏差。我们提出了一种“预测-对比”框架：首先通过学习专家驾驶模式来生成参考轨迹，然后通过对比观察到的轨迹与参考轨迹来量化它们的差异。具体而言，我们引入了一种基于风险场的动态图对抗模仿学习模型（R-G²AIL），为后续的对比阶段建立了一个稳健的行为基准。R-G²AIL将风险感知的动态图建模与结合奖励加权回归损失和判别器损失的联合优化目标相结合，从而实现了专家行为模仿与逐点轨迹回归的统一。此外，一个神经偏差识别模块通过学习轨迹偏差指标的组合来量化专家驾驶轨迹（EDT）与实际驾驶轨迹（RDT）之间的差异，避免了依赖手动预设的阈值。在大型nuScenes数据集上的广泛实验以及跨数据集评估表明，我们的框架在驾驶异常检测方面具有出色的性能。